Kursbeschreibung
Sie haben so viele Daten zur Verfügung und es kommen noch viel mehr hinzu, aber Sie wissen nicht, was Sie damit anfangen sollen. Data Mining wird Ihnen dabei helfen Antworten zu finden.
Die Data Science wird immer ausgefeilter und die Nachfrage steigt exponentiell an.
Data Mining ist der Bereich der Datenwissenschaft, der sich darauf konzentriert, verwertbare Muster in großen und vielfältigen Datensätzen zu finden.
Also: Cluster ähnlicher Kunden, Trends im Zeitverlauf, die nur nach der Entflechtung von saisonalen und zufälligen Effekten erkannt werden können und neue Methoden zur Vorhersage wichtiger Ergebnisse.
Sie werden sich auf Data Mining in R konzentrieren und eine breite Palette von Algorithmen kennenlernen, einschließlich Methoden des maschinellen Lernens sowie wichtige Informationen zu Gesetzen und Richtlinien, die Data Mining beeinflussen.
Sie erhalten außerdem einen Überblick über die Dimensionalitätsreduktion, Clustering, einschließlich hierarchischem Clustering und Assoziationsanalyse.
Außerdem werden Sie erfahren, wie Time-Series Mining, Dekomposition, Text Mining, Sentiment Analysis und Sentiment Scoring funktionieren.
Data Mining Einführung- R für Data Mining
- Werkzeuge für Data Mining
- Das CRISP-DM-Data-Mining-Modell
- Datenschutz, Urheberrecht und Verzerrung
- Validierung der Ergebnisse
- Überblick über die Dimensionalitätsreduktion
- PCA
- LDA
- t-SNE
- Clustering-Übersicht
- Hierarchisches Clustering
- K-means
- DBSCAN
- Übersicht über die Klassifizierung
- K-nn
- Naive Bayes
- Entscheidungsbäume
- Übersicht Assoziationsanalyse
- Apriori
- Eclat
- CBA
- Time-Series Mining Übersicht
- Zeitserien-Zerlegung
- ARIMA
- MLP
- Text Mining im Überblick
- Sentiment-Analyse: Binäre Klassifizierung
- Sentiment-Analyse: Sentiment-Bewertung
- Visualisierung von Wortpaaren
Sie haben so viele Daten zur Verfügung und es kommen noch viel mehr hinzu, aber Sie wissen nicht, was Sie damit anfangen sollen. Data Mining wird Ihnen dabei helfen Antworten zu finden.
Die Data Science wird immer ausgefeilter und die Nachfrage steigt exponentiell an.
Data Mining ist der Bereich der Datenwissenschaft, der sich darauf konzentriert, verwertbare Muster in großen und vielfältigen Datensätzen zu finden.
Also: Cluster ähnlicher Kunden, Trends im Zeitverlauf, die nur nach der Entflechtung von saisonalen und zufälligen Effekten erkannt werden können und neue Methoden zur Vorhersage wichtiger Ergebnisse.
Sie werden sich auf Data Mining in R konzentrieren und eine breite Palette von Algorithmen kennenlernen, einschließlich Methoden des maschinellen Lernens sowie wichtige Informationen zu Gesetzen und Richtlinien, die Data Mining beeinflussen.
Sie erhalten außerdem einen Überblick über die Dimensionalitätsreduktion, Clustering, einschließlich hierarchischem Clustering und Assoziationsanalyse.
Außerdem werden Sie erfahren, wie Time-Series Mining, Dekomposition, Text Mining, Sentiment Analysis und Sentiment Scoring funktionieren.
Data Mining Einführung- R für Data Mining
- Werkzeuge für Data Mining
- Das CRISP-DM-Data-Mining-Modell
- Datenschutz, Urheberrecht und Verzerrung
- Validierung der Ergebnisse
- Überblick über die Dimensionalitätsreduktion
- PCA
- LDA
- t-SNE
- Clustering-Übersicht
- Hierarchisches Clustering
- K-means
- DBSCAN
- Übersicht über die Klassifizierung
- K-nn
- Naive Bayes
- Entscheidungsbäume
- Übersicht Assoziationsanalyse
- Apriori
- Eclat
- CBA
- Time-Series Mining Übersicht
- Zeitserien-Zerlegung
- ARIMA
- MLP
- Text Mining im Überblick
- Sentiment-Analyse: Binäre Klassifizierung
- Sentiment-Analyse: Sentiment-Bewertung
- Visualisi…